FlightScope：卫星图像中飞机检测算法的实验对比综述
计算机视觉与模式识别
2024-12-19 v4 人工智能
摘要
遥感卫星图像中的目标检测在生物物理和环境监测等众多领域具有基础性作用。尽管深度学习算法不断发展，但它们主要在流行的地面拍摄照片上实现和测试。本文批判性地评估并比较了专为在卫星图像中识别飞机任务定制的一系列先进目标检测算法。使用大型 HRPlanesV2 数据集，并结合 GDIT 数据集进行严格验证，本研究涵盖了一系列方法，包括 YOLO 版本 5 和 8、Faster RCNN、CenterNet、RetinaNet、RTMDet 和 DETR，所有模型均从零开始训练。这项详尽的训练与验证研究表明，YOLOv5 是从遥感数据中识别飞机这一特定任务的最卓越模型，在各种成像条件下均展现出高精度和适应性。本研究突显了这些算法细致入微的性能表现，其中 YOLOv5 作为航空目标检测的稳健解决方案脱颖而出，通过其卓越的平均精度均值、召回率和交并比得分彰显了其重要性。本文所述发现强调了与卫星图像分析特定需求相匹配的算法选择的基础性作用，并提供了一个评估模型效能的综合框架。基准工具包和代码可通过 https://github.com/toelt-llc/FlightScope_Bench 获取，旨在促进遥感目标检测领域的进一步探索与创新，为卫星图像应用中改进分析方法铺平道路。
引用
@article{arxiv.2404.02877,
title = {FlightScope: An Experimental Comparative Review of Aircraft Detection Algorithms in Satellite Imagery},
author = {Safouane El Ghazouali and Arnaud Gucciardi and Francesca Venturini and Nicola Venturi and Michael Rueegsegger and Umberto Michelucci},
journal= {arXiv preprint arXiv:2404.02877},
year = {2024}
}
备注
16 figures, 5 tables, comprehensive survey, comparative study